（信号与信息处理专业论文）基于遗传算法的人工生命进化模型研究.pdf

摘要 人工生命是跨世纪的新兴研究领域，其中人工生命进化模型的研究是最基 本最关键的课题，它对探索生命的计算原理并用于构造新代智能人工系统的 研究具有极其重要的理论意义和应用价值。本项目研究的进化模型是一通用问 题求解策略，它在优化问题求解、网上信息获取、通信及经济预测分析等领域 都有广泛应用前景。# 本论文旨在探索自然生命复杂进化系统的机制，建立基于遗传算法的人工 生命的进化模型。该模型体现了自然生命自下而上和自上而下的双向循环作用 的突生进化特征，强调多层次学习在进化过程中的作用，具有高度适应环境变 化的学习进化功能。本文的研究对于探索生命的计算原理，并以此构造新一代 的智能人工系统的研究具有十分重要的理论意义和应用前景。 我们所设计的进化模型突出学习在进化中的作用，采用遗传算法和神经网 络的手段，实现先天的遗传基因层次的学习和后天的神经系统层次的学习进化 的有机结合，从而使模型对于长期和短期的环境变化有很强的自适应能力。， ； 在基于遗传算法的人工生命进化模型的结构框架下，分别依据l a m a r c k 直 接遗传方式和b a l d w i n 效应间接遗传方式两种不同的遗传行为方式，设计了遗 传监视进化强化模型和自律遗传强化模型两种不同风格的进化模型，它们都有 效地体现了学习和进化之间的双向作用关系。 通过对自然生命免疫机制的抽取，设计出基于免疫自适应调节的进化算法， 从而提高算法的多样性保持能力，进一步克服遗传算法的未成熟收敛缺陷，提 高了算法的全局和局部的搜索能力；弗提出了具有自适应免疫调节的共生进化 网络设计方法，用于优化自律个体的网络结构和初始权值，获得了优良的网络 拓扑结构。 在基于神经网络的人工生命中的个体后天学习进化中，采用了有特色的强 化学习机制，将基于动态规划的强化学习和进化强化学习相结合，提出了集成 型强化学习方案。f 有效地解决了局部强化信号和全局强化信号的矛盾。该学习 机制对环境有很强的自适应能力，使人工生命进化模型中的行为进化从简单的、 低级的反应性行为通过递增式的强化学习方法逐步构造出基于记忆的复杂行 为。r 一、。 模型评估实验颇具创新地模拟了人工生物的通讯规范学习进化过程，获得 了良好的实验结果。目前，国内外尚未见到类似的模拟实验；本项目所研究的 人工生命进化模型具有很强的工程应用潜力，有利于我们进一步构造和研究新 型的智能人工系统。j a b s t r a c t t h ea r t i f i c i a ll i f e ( a l i f c ) i san e w c e n t u r yr e s e a r c hd o m a i n ，a n dt h es t u d yo f a r t i f i c i a ll i f ee v o l u t i o n a r ym o d e l si st h ef u n d a m e n t a la n dt h em o s tc r i t i c a lp r o j e c t ， w h i c hh a st h e o r e t i ca n da p p l i c a b l ei m p o r t a n c ei nt h ee x p l o r a t i o no f l i f ec o m p u t a t i o n m e c h a n i s ma n dt h ec o n s t r u c t i o no fan e wa r t i f i c i a li n t e l l i g e n ts y s t e m s t h es t u d yo f l h i se v o l u t i o n a r ym o d e li sag e n e r a lp r o b l e ms o l v i n gs t r a t e g yt h a tc a nb eu s e di n o p t i m i z a t i o np r o b l e m s i n f o r m a t i o n r e t r i e v a li nn e t w o r k s ，c o m m u n i c a t i o na n d e c o n o m ya n a l y s i s ，c t c t h i sd i s s e r t a t i o na i m e da te x p l o r i n gt h ec o m p l e xe v o l u t i o n a r ys y s t e mo fn a t u r a l l i f e ，a n dc o n s t r u c t e da na l i f ee v o l u t i o n a r ym o d e lb a s e do ng e n e t i ca l g o r i t h m s t h i s m o d e ls h o w st h ee m e r g e n te v o l u t i o n a r yc h a r a c t e r i s t i co fam u t u a lf u i n c t i o no ft o p d o w na n db o t t o m u p p r o c e s s i nn a t u r a l l i f e ，a n d i t e m p h a s i z e d o nm u l t i l a y e r e d l e a r n i n g t h e r e f o r e ，i th a st h ea b i l i t yo f h i 幽a d a p t a b l el e a r n i n ga n de v o l u t i o n t h e s t u d yo f o u rp r o p o s e dm o d e l si sv e r yi m p o r t a n ti nt h e o r ya n da p p l i c a t i o na sw e l l o u rd e s i g n e de v o l u t i o n a r ym o d e le s p e c i a l l ys t r e s s e st h ee f f e c to fl e a r n i n gi n e v o l u t i o n b yu s i n gg a a n dn e u r a ln e t w o r k s w em a k eac o m b i n a t i o no fc o n g e n i t a l g e n e t i cl e a r n i n ga n da c q u i r e di n d i v i d u a ln e u r a ll e a r n i n g ，s ot h em o d e l c a na d a p tt oa c h a n g i n ge n v i r o n m e n ti nt h es h o r t r u na n dt h el o n gl u l l b a s e do nt h ef r a m e w o r ko ft h ea l i f ee v o l u t i o n a r ym o d e l ，w ep r o p o s e dt w o d i 位r e n tm o d e l sa c c o r d i n gt ol a m a r c kd i r e c te v o l u t i o na n db a l d w i ne f f e c t t h e ya r e c a l l e d g e n e t i c c o n t r o l l e de v o l u t i o n a r yr e i n f o r c e dm o d e la n da u t o n o m o u sg e n e t i c r e i n f o r c e dm o d e l ，b o t ho fw h i c he m b o d i e di nt h em u t u a le f f e c to fl e a r n i n ga n d e v o l u t i o n b ye x t r a c t i n g t h em e c h a n i s mo fn a t u r a li m m u n es y s t e m w ed e s i g n e da n e v o l u t i o n a r ya l g o r i t h mb a s e d o n a d a p t i v e i m m u n em o d u l a t i o n w h i c hi su s e d e f f e c t i v e l yi np r e v e n t i n gp r e m a t u r ec o n v e r g e n c ea n dp r o m o t i n gp o p u l a t i o nd i v e r s i t y t h e n an e wn e u r a in e t w o r kd e s i g nm e t h o db a s e do ni m m u n ea d a p t i v es y m b i o t i c e v o l u t i o ni sb r o u g h tf o r w a r da n du s e di nt h es t r u c t u r ed e s i g no fa u t o n o m o u sa g e n ti n e v o l u t i o n a r ym o d e l s ，a n de x c e l l e n tt o p o l o g ya n dw e i 曲td i s t r i b u t i o n sa r eo b t a i n e d i nt h e a c q u i r e d i n d i v i d u a ln e u r a l l e a r n i n g a d i s t i n c t i v e l e a n i n g m e t h o d r e i n f o r c e m e n tl e a m i n gw a su s e d a l s o ，w ec o m b i n e dd y n a m i cp r o g r a m m i n gb a s e d t r a d i t i o n a lr e i n f o r c e m e n tl e a r n i n ga n de v o l u t i o n a r yr e i n f o r c e m e n t1 e a r n i n g a n dan e w i n t e g r a t e dr e i n f o r c e m e n tl e a r n i n gs c h e m ew a s u s e dt os o l v et h ei n c o n s i s t e n c yo fl o c a l r e i n f o r c e m e n t sa n d g l o b er e i n f o r c e m e n t s t h i sl e a r n i n gm e t h o d m a k e st h eb e h a v i o ro f a l i f ee v o l u t i o n a r ym o d e l d e v e l o p e dg r a d u a l l yf r o ms i m p l ea n db a s i ct oc o m p l e xa n d j c a e d t h ee v a l u a t i o ne x p e r i m e n tr a t h e rc r e a t i v e l ys i m u l a t e dt h em a t c h i n g ( o rm a t i n g ) b e h a v i o r so fa r t i f i c i a lc r e a t u r e s a n di th a dn e v e rb e e nd i s c u s s e db e f o r e g o o d e x p e r i m e n tr e s u l t s a r eo b t a i n e d t h ea l i f ee v o l u t i o n a r ym o d e l so ft h i sd i s s e r t a t i o n h a v ev e r ys t r o n gp o t e n t i a l si nr e a lw o r l da p p l i c a t i o n s ，a n dt h e ya r ep a r t i c u l a r l yu s e f u l i nt h ed e s i g n i n go f n e wa r t i f i c i a li n t e l l i g e n ts y s t e m s 致谢 本论文工作是在王煦法教授的精心指导下完成的。导师不但传授 ，广博的学识，其严谨的治学态度，求实创新的工作作风，诲人不 倦的敬业精神都使我受益非浅。三年来，在学习、研究和生活的各 个方面，王老师都给予我诸多有益的指导和帮助，在此谨向导师表 示衷心的感谢! 在论文研究过程中，作者曾得到了中国科学技术大学电子科学与 技术系庄镇泉教授、戴蓓倩教授、冯焕清教授和计算机科学与技术 系的曹先彬副教授、陈恩红副教授等老师的热情指导和帮助，系总 支副书记朱领娣老师对作者的学习工作和论文研究给予了极大的关 心、支持和帮助，作者一并表示诚挚的感谢。 感谢长期在一起工作和学习的刘克胜、郑浩然、王大治、齐培申、 冯雷、张显俊、孙俊柏等同学，与他们的交流和学术探讨使我深受 教益。感谢作者工作和学习的电子科学与技术系为论文的顺利完成 提供各种帮助的其他老师和同学们。 妻子的鼓励与奉献，父母和家人的关怀和支持，使我得以安心完 成学业，在此致以最深的敬意。 本论文的研究得到了国家自然科学基金的资助，特表示感谢。 塑登兰垫查查兰竖! ：兰丝堡兰一 第一章绪论 人工生命( a r t i f i c i a ll i f e ，a l i f e ) 是计算机科学继人工智能之后出现的新的发 展方向之一，在信息科学和生命科学的融合及丌拓研究新领域方面显示出巨大 的生命力。 该领域的发展有助于阐明生命科学的问题( 什么是生命) 和计算机科学中 的问题( 如何构造具有鲁棒性和自适应性的计算机系统) 。人工生命的研究已经 成为一个跨世纪的新兴的研究学科，其中人工生命进化模型的研究是最基本最 建键的课题，它对探索生命的计算原理并用于构造新一代智能人工系统的研究 县有极其重要的理论意义和应用价值。 1 1 1 什么是人工生命? 1 1 人工生命概述 八十年代初期，在美国墨西哥州的s a n t af ei n s t i t u t e ( s f i ) ，以三位诺贝尔获 奖者m g e l l m a n n ，k a r r o w , e a n d e r s o n 为代表，聚集了一批不同领域的科学家， 发展他们称之为2 l 世纪的科学一复杂性科学( s c i e n c eo fc o m p l e x i t y ) 。由此而发 展来的人工生命科学较好地体现出他们的学术观点。 首先提出“人工生命”概念的是美国的洛斯阿拉莫斯国家实验室的非线 性理论组的克旱斯兰顿( c h r i sl a n g t o n ) 。他在1 9 8 6 年指出 1 ：“生命的特征在 于具有自我繁殖、进化等功能，地球上的的生物只不过是生命的一种形式，只 有用人工的方法，用计算机或其他智能机械制造出具有生命特征的行为并加以 研究，才能解释生命的全貌。” 他同时指出：“人工生命不是用分析的方法、不是用解剖有生命的生物的方 法柬理解生命，人工生命是用综合的方法来理解生命。即在人工系统中将简单 的零部件组合在一起，使之产生类似生命的行为。”根据l a n g t o n 的定义，“人： q j 命的研究领域是致力于理解从生物学现象中抽象出的生命的动力学原理，并 1 ) 个个体经过选择形成的 一个子代替换掉变异后最差的父代个体。s c h w e f e l 在此基础上提出( u + ) 一e s 年t l u ， ) 一e s ，前者是针对多父本和子本的，在算法过程中，u 个父本产生九个子本， 这u + 个候选解同时参加竞争并适者生存( 一般生存数目为u ) ；后者也是针对 多父本和子本的，在算法过程中，u 个父本产生 个子本，但只有这 个候选解 蠢争，然后父本被完全取代，也即每个侯选解的生命期只限在当前一代。这两种 策略( 尤其是后者) 在进化策略中占据着重要地位。 2 2 3 人工免疫系统 自然界生物的免疫系统是一个高度复杂的分布协调自适应系统。浚系统具 有自我异己识别，自组织和学习，免疫记忆和免疫耐受等一系列独特的功能， 能够有效地抵御入侵体内的外敌，从而维持生命体生存和进化。因此，抽取生 命免疫系统特有的信息处理机制，建立人工免疫模型也是人工生命研究领域中 的重要课题之一。它对开发新型的计算智能和建立新型人工智能系统，解决国 t 经济和社会发展的重大问题等( 如大规模复杂系统的优化控制，计算机网络 安全等) 有着重要的现实意义和发展前景。 生物系统中的免疫是指机体接触抗原性异物( 如各种微生物) 后，能产生 的一种特异性的生理反应 8 5 1 ，其作用可排除这些异物保护机体，因此长期以 来免疫性仅指机体抗感染的防御能力。但近代免疫的概念是指机体对“自我” 或“非我”的识别并排除非己的功能，籍以维持机体的稳定性。具体说，免疫 是机体的一种生理反应，当抗原性异物进入机体后，机体能识别“自我”和“非 我”，并发生特异性的免疫应答，排除抗原性的非己物质，又称为正免疫应答， 或被诱导而处于对这种抗原性物质星不活化状态，称为免疫耐受或负免疫应答。 免疫是机体的一种特异性生理反应，通过识别和排除抗原性异物维持内环 境的稳定。机体的免疫功能是在淋巴细胞、单核细胞和其它有关细胞及其产物 相互作用下完成的。免疫系统是机体执行免疫功能的机构，是产生免疫应答的 物质基础。通常可将免疫系统分为免疫器官、免疫细胞和免疫分子三大类，免 疫系统在体内分布广泛，如外围淋巴器官位于全身各个部位。淋巴细胞和其它 免疫细胞不仅定居在淋巴器官中，也分布在粘膜和皮肤等组织中。免疫细胞和 免疫分子还可通过血液在体内各处巡游，可持续地执行识别和排除抗原性异物 的功能。各种免疫细胞和免疫分子相互协作，又相互制约，使免疫应答既能有 效地又能在适度的范围内进行 8 6 。 1 6 整三茎叁三兰垒坚塞主篓茎主茎童蹩鱼一 免疫系绞主要出游巴球绷躯群组贼。其中又可分为b 细胞和t 细胞两釉。 b 细胞悬由嚣髓产生的淋巴球，从它表蕊可产生y 形状的瑟白质，即抗体。该 抗体可与抗原产生特殊的反应，进行增殖或对抗原进行排除。这种抗体一抗原 反应是免疫系统的基本反应。 近年来，随着免疫学的i 琏速发展，入秆】对予免痰系统的认t 袋也夔加深入了。 在人体静免疫系统中，备牵夸淋巴球缯簏一方蟊舆有鑫主性，另方瑟又逶过相 强之阕鹊遂猥联系，在系统层次实魂了高度翅能豹信息处理枫剃。这些有别予 麟神经系统的功能和特点对设计灏型的势行分毋i 信息处理系绞极其吸号! 力。 2 2 。4 人工神经网络中的强化学习 建人工堡余进化模型孛+ 个体豹后天神经系统学习非誊重要，因此我 f ? 要 选取能够赢发适应来知环境变化的学习机制，以提葛个 奉的鱼适应行为和生存 能力。 并行分布式处理和自学习能力是神经网络的两个主要的特性。一般来说， 神经阏络的学习方法可分成三类：龉督学习。强化学习和非监督学习。第类 楚益督学习，需要有输入的教师信号和麓望的输宙值，它可记住已有的输入和 输高阉的关系。第二类楚强化学习，教辉僚号曩：象箍瞽学习那样奁接、及| 于和 矮有指导性，嚣只是起到评绩系统状态抟佟黑。第三类菲数餐学习可稔造系统 内部摸型，秀不震要外搬其健缤息的条件下，它可囊动获缮数据的聚类中心， 被称为靠观察的学习。 在监督学习中，对于每一个输入模式，都知道正确的“目标”输出。但是， 有时候我们只能得到很不具体的信息，甚至只知道输出是正确的还是错误的。 强化学习就楚针对这种情况提岛的。强化学习嘲络从环境中接受的只是一个是 弓否的评价信号，强纯信号可良告诉我们某个输出楚错误的，却不能告诉我们 萨确麓输出楚骨么。也就是谈，除了失骰豹教谢辨，没有任俺葵它的反馈信号 呵以剡熙，这是一转“吃一氅，长一磐”款学习方法。扶认知灼双点惑强化学 习更接近人的学习和实践过程。 因此，在神经网络的强化学习中，训练数掇都十分简单和粗略，指导学习 的信息也只是控制效果的简单评估。我们可以把强化学习定义为：以控制效果 的评估作为反馈去训练一个网络。而这些简单的控制效果的评估被称为强化信 ； ，它们只取标鼙值。 强纯学习酶一般方法是采焉包含动态规矧静筐迭代法来实现。糟幸率经掰络 疗法实现静强化学习方案有缀多，较有代表性豹包括b a r t o 等人( 1 9 8 3 ) 馕瘸类神 经元的自适应单元【1 2 6 】，在只有强化信号反馈的条 孛下，缎决了困难款学习控 制问题。他们提出的a c t o r c r i t i c 结构和自适应启发评判算法( a d a p t i v eh e u r i s t i c c r i t i c ，a h c ) 由s u t t o n ( 1 9 8 4 ) 进行了改进 1 2 7 ，1 2 8 。a h c 算法依赖于两个函数： 评价函数和行动函数。该算法主要用于具有时延报偿的强化学习，它使用时序 1 7 ! 里型兰茎查查兰堕! ：兰些堡兰 差分方法( t e m p o r a ld i f f e r e n c e ) 训练评估网络以预测失败，该预测在每一步启发 式地产生近乎真实的目标输出，从而允许使用b p 算法进行状态变量到输出行 为的学习。b a r t o 和a n a n d a n ( 1 9 8 5 ) 提出了联想奖惩算法( a s s o c i a t e d r e w a r d p e n a l t y a 。) r o t ：自适应单元( 也称为a 。单元) ，并提出了几种通用的a n r 算法a 其它的强化学习算法还有w a t k i n s ( 1 9 9 1 ) 提出的q l e a r n i n g 算法 1 3 0 、优势 学习法( a d v a n t a g el e a r n i n g ) 和d y n a 算法等。 2 3 现有人工生命进化模型中的复杂性特征 目前，国内在人工生命研究方面尚处于起步阶段，很少见报导。国外在这 方面的研究上也处于探索阶段。其中较有代表性的研究模型有：自繁衍模型、 适应性模型、和自组织模型。从对这些模型的分析中，我们可以发现人工生命 进化模型中的许多重要的复杂性特征，为我们设计更为完善、更逼真自然生命 的进化模型提供理论依据。 2 3 1 生命的自繁衍模型 4 0 年代未期，v o nn e u m a r m 已经开始思考这样一个问题：一台计算机是否 能通过编程来复制自己? 他认为，任何自繁衍的基因材料，无论是人工的还是 自然的，都必须具有两个不同的基本功能。一方面，它起到计算机程序的作用， 是一种在繁衍下一代的过程中能够运行的算法。另一方面，它必须起到被动数 据的作用，是一个能够复制和传给下一代的描述。这自然就是自繁衍的本质所 砷：。v o nn e u m a r m 由此而建立了既能反映自我繁衍的本质又能简洁到可以做数 学分析的细胞自动机模型。 6 4 所谓细胞自动机，是指在无限的由方格构成的空问中，每个方格的下一次 状态决定于其自身及邻域的当前状态。方格又成为细胞。每个细胞本身就是一 个自动机。细胞组成的空白j 可以是一维的，二维的，或三维的。细胞的邻域有 多种定义方式。在一维情形，每个细胞的定义方式可以按领域半径来分类。在 ：一维中，一般定义为y o nn e u m a n n 领域或m o r e 邻域。促使细胞状态翻转的规 则称为细胞自动机规则，给定某个细胞自动机中细胞的初始状态，随着想象中 的细胞自动机的时钟每嘀哒以下，自动机中任何一个细胞都按照规则翻转个 新的状态，从而造成整个自动机状态的变化。 t o mr a y 所实现的人工生命仿真器t i e a 6 7 ，6 8 ，6 9 1 是一个数字生态进化模 型，与磁心大战( c o r ew a r ) 6 5 ，6 6 有着某种程度上的类似。t i e r r a 是一个虚拟的 生物计算机，有其独特的硬件构造、机器指令和进化的汇编码。c p u 是数字生 命的能量资源，内存则构成空间资源，数字生命为获得足够的能量和空州资源 1 8 一釜三堡垒。! 兰堂堕塞主塑董主差茎篓查一 蠢相互之闲遴行罄激烈的竞争。整个系统的启动出注入个仅能自复制的祖先 ，l ：始，漫漫馒矩生出具露具有复杂生态关系的生态系统。t i e r r a 最根本的特点 在于成功地实现了一套能进化的指令集，并由诸多并发运行的数字生命形成数 字生态系统。t i e r r a 不仅为生物学、生态学的研究提供了基于人工生命的慧想 的可操作手段，而且对般的复杂往的研究也极其扁发筏。 2 3 2 生命的适应性模型 1 9 7 5 年遗传算法的经典著作自然和人工系统中的适应性一书出版，该 转总结了h o l l a n d 十多年来对学习、进化和剑造性之闻深翁的内在联系的愚考， 埘遗传算法作了阁密的阐述。七十年代寒，h o l l a n d 又撬密了基予遮传冀法瓣认 稚模瀣一分类器系统。分类嚣系统遵 垂三个基本原则：矢瑟议能够以类似援则的 结 冬表承；这些烧则始终处于竞争之中，经验使得有用的规则越来越强，无用 灼规则越来越弱；掰规则产生于1 日规则的组合之中。分类器系统分别吸收了人 j ：神经网络与符号智能的优点，并将反馈集成于其中。分类器系统体现了进化 适应性与学习适应性的完美统一。 但是，遗传算法也存在些不足。第一，就是适应性度量函数是预先定义 好的，而真征的适应往应该是局部的，楚个体在与环境生存斗争中鲁然形成的 以及随蔫环境交亿丽交化静。遗传舞法兹选择辍制，充其爨来说，只是一个人 ： 选择瑟嚣蠹然选择。第二，遗传算法只考虑到生物之阉的竞争，恧没有考虑 到生物之闽携馋的可能性。真实情况是竞争与协作势存。这就是所谓的协间演 化。生物学证据表明协同演化能大大加快生物进化的历程。第三，遗传算法的 解的空间是有限的。所有生物的结构都是预先定义好的字符串。这样的系统不 能实现无穷无尽的演化。系统所发生的切均在设计者的掌握之中。 h o l l a n d 于九十年代初颓主持开发的模拟生态系统e c h o 就楚针对上述静蘸 点骰改邂的。迸纯的观点觚一般的意义上来说，意味警麸研究对象弱掰交帮发 矮交纯串把握对象豹实鬏，褥不应将现实与爨史割裂开来，这对人工生会避化 模型款磷究鸯重大鲍指导意义。 2 3 。3 生会的囊组织模型 辑谬生余的垂组织，是指具有楗互作用的诸多予单元联形戏的系统突生出 尊个子錾元所没有的大范围性威。比如说，幽简单的分子形成细胞，幽许多交 错的神经单元形成的意识，l 扫形形色色的生物构成的生态系统等。 c r a i gr e y n o l d s 的b o i d 系统是用计算机程序实现相同个体自缎织的一个良 好范例 7 0 ，7 1 】。所谓b o l d ，是一种类似鸟类的计算机生物。在启动这个系统时， 将b o l d 及障碍物随意敝步在计算梳屏幕的各处。慢後遗它们会自发地聚集成 1 9 ! 堕型堂垫查查兰竺! ：兰些堕兰 一 群，以一种流体性的形式环绕障碍物飞行。该系统实现的基本思想是让每个b o l d 遵循三条简单的规则而突生出上述行为：1 尽力与其他障碍物及其它b o i d 保 持最小的距离；2 尽力与相邻的b o i d 保持相同速率；3 尽力靠近相邻的b o i d 群，显然，每条规则都是局部的，没有任何一条规则或个体能起全局控制作用。 b 。i d 所遵循的三条规则是整个系统的核心，而其实它们只意味着个原则： 每个b o i d 都尽力模仿其邻居行为或群体的共同行为。 b r o o k s 开创的基于行为的a i 则是不同个体的自组织例子 7 2 ，7 3 。他所创建 的机器昆虫由一系列并发运行的行为模块构成。这些行为模块通过相互之间的 激活抑制关系形成动态的行为网络。在外界环境的刺激以及内在目标的驱动 f ，行为模块自组织出某种具体行为而达到设计者预期的目的。比如说，让机 器沿墙壁做无障碍行走。这也就是所谓的没有表示或没有推理的智能。 自组织的思想对人工生命的研究有很大的启发性。因为系统的复杂性可能 源于系统的构成单元之间的简单的相互作用，同时也为理解和模拟智能提供了 新的途径。 我国学者也通过对系统科学和对人工生命理论基础的研究，指出复杂性是 丌放的复杂巨系统和人工生命系统的重要特征，研究生命中的复杂性离不丌对 系统的研究，并提出了人机结合的大成智慧工程7 4 ，7 5 ，7 6 ，7 7 1 。 2 3 4 现有模型的局限性 从前面的论述中，我们可以看出，抽象性是人工生命的学科存在的前提与 总的研究思路，自繁衍是生命延续与发展的基础，适应性与自组织则是生命维 持生存的两种手段。人工生命的奋斗目标就是试图获得进化与自组织的一般性 理论，同时人工生命的研究也可以为复杂性的研究提供新的思路和工具。 近年来，国外相关的人工生命研究实例还有：r i c h a r dd a w k i n s 的f b l i n d w a t c h m a k e r ) 类昆虫的生命进化模型【8 ，表达了个体的逐代进化思想；c o l l i n s 的 基于g a 的生物协调策略进化模型( a n t f a r m ) 1 5 0 ；l i n d g r e n 的基于博奕理论的 行动策略进化模型【4 7 】：k a f f m a n 的基于适应度地形( f i t n e s sl a n d s c a p e ) 和集团 干 j 互作用的进化模型【4 6 等。 这些进化模型的研究分别从不同的角度、采用不同的方法来建立人工生命 进化模型，并取得了十分积极的结果，体现了人工生命进化论研究的进展和前 景。但是这些研究的局限性也十分明显： 1 ) 生命进化模型的建立不仅要考虑生命体内部的的进化行为，而且要考虑 生命体集团进化行为。这两者的有机结合才能真正描述生命进化的特 征。 2 ) 生命进化过程是一个从环境生态系统中“学习”法则的过程，其中不仅 包括先天的遗传学习或遗传复制，而且还包括后天的个体学习，这两者 的结合也是十分必要的和有意义的。 笙= 塞查王圭垒笪签主釜董主墨兰堡垒一 3 ) 大多数的进化模型都直接或间接地采用了遗传算法，这反映了遗传算法 在人工生命进化模型中的突出作用。但是，h o l l a n d 提出的基本遗传算 法，虽然本身是抽取了达尔文生物进化机制的模型，但它的计算思想并 不完全符合人工生命的基本思想和方法论。对遗传算法的改进设计非常 必要。 针对生命进化活动静突生动力学特，征和爨下瑟上结合自上露下懿双囱作用， 墩牧现有模型静合理惹想，克服其爨限牲，我们毂爨标是采爆改进豹遗转算法 秘人工穆经网终熬职究方法，设计出一羊申符合人工生会方法论的进化模型。在 我们的进化模型设计中，要蓑重突出学习一进化的特征，即把遗传进化，个体 神经系统的学习进化( 可塑性) 和个体适应进化有机结合，从而设计出一种较 为完善的、逼真实际生物进化机制的进化模型。这也就是本论文研究的出发点 和研究意义所在。 2 4 本章小结 在本章中，我们介绍了与本论文研究的相关重要概念，眈较了人工生命和 传统人工智能的区剐。并对入工生命生成结构中的相关系统概念( l 一系统、遗 传算法、久工免疫系统、强化学习) 傲了分类和分缓。闫时，我们灞述7 觋有 人工生愈送仡模型中的复杂性特征，然生会的囊繁衍、适应性与自组织的摸型 角度来认识现有的进化模型。进嚣，分辑了王见有进化模型的局限性和不足，并 提出了本论文研究的出发点。 2 1 ! 里型兰垫查尘兰竖! ：兰堡堡苎一 第三章基于遗传算法的人工生命进化模型的总体设计 在本章中，我们首先从信息论的角度分析人工生命的信息世界，探讨遗传 信息处理模型，和基于遗传信息处理模型的人工生命合成方法。在此基础上， 引出我们所设计的基于遗传算法的人工生命进化模型，在该模型中充分体现出 遗传监视的特色，强调多层次学习在进化过程中的作用，把遗传进化、个体神 经系统的学习进化和个体适应进化有机结合，从而研究和设计出一种符合人工 ，l 命方法论的进化模型。 3 1 1 人类的信息世界 3 1 人工生命与信息处理 从信息论的角度来看，所谓人工生命就是生命的信息论模型。这个概念意 味着，生命的信息结构及其信息处理方法( 包括自组织化、进化等) 是人工生 命研究的核心内容。在这里，我们以世界上最高级的生物一人类为例来探讨生 命的信息世界及其与计算机信息结构的关系。 人类世界分为精神世界、信息世界和物理世界。精神世界是人类的智能活 动世界，用来进行问题求解、创造、理解、决策等。信息世界是利用语言、图 形等媒体来明确地表现人类所看不见的精神活动的内容，信息世界不仅仅是语 言，还包括思维方法，问题求解方法、学习方法等各种智能活动的形式化方法。 物理世界是指细胞，dna 或者微观分子结构等。 近年来，人们从神经生理学、脑生理学等领域对生物的物理结构与信息之 问的关系进行了许多研究。从图3 1 ( a ) 我们可以发现，人类总是不断地进行高度 信息处理，而作为物理世界中物质的遗传是人类个体形成的核心。遗传子既是 物质，同时也是用来表示遗传信息的语言，因此，也是属于信息世界的一部分。 在这种基于信息的物理世界中，通过生理结构的生长而形成个体。由物理世界 的生体结构、dna 结构等，通过个体形成过程而产生遗传予，并在信息世界 用可能的表示媒体( 如语言、图形等) 来表示遗传子信息。因此，可以说，信 息世界的遗传信息代表了人类生命的信息结构，它在人工生命研究中具有极重 要的作用。当然，遗传子信息只是信息世界的一小部分。人类的整个信息世界 不仅可以用来表现物理世界的部分内容，也可以用来表现部分精神世界的内容。 另一方面，人类的大脑，是由物理世界的大量细胞按定的结构组成的。 它可以实现信息世界的所有功能。但是，目前人类对其自身的大脑结构还存在 箜三! 苎些生塑鲨竺查! 兰鱼丝些堡型塑璺笪兰旦一 许多未知部分。作为探索这种未知部分的一种方法，人们开始了从结构上研究 简单的非生物信息处理功能，如图3 1 ( b ) 。由图看出，作为非生物系统的物理 世界，就是以计算机为核心形成的人工生命系统。在生物系统和非生物系统中， 都可以通过简单机理用分层处理的方法实现高度的信息处理功能。 匝回 生体结构 d n 匝巫丑 媒体范垌 匝固 精神活动世界 ( a ) 人类的信息世界 计算机结构 3 1 2 遗传信息处理模型 ( b ) 计算机的信息世界 图3 1 人类信息世界 示的世界 为了适应环境，生物需要具备一些高级功能。其中由其本身的复杂结构产 生的高级功能是生物固有的，也是一般生物系统的特征。生物系统是一个复杂 系统，具有比许多人工系统都优越得多的特性。从根本上说，是生物的生长结 构产生了适应于环境的高性能系统。从人工生命研究的角度来说，这一特点是 最值得研究，也是最有意义的。 从遗传信息处理的角度来看，生物中的个体形成与生长( 或衰退) ，就是通 过遗传子给出生长所需要的基本信息，产生个体的结构；而进化则是为了适应 环境的变化，遗传子自身发生变化的过程。两者所需时间也有很大差异。生长 时间较短，一般不比个体的寿命长，而进化时间少说也要几代，一般比较长。 在计算机内建立的遗传信息处理模型也必须具备生长与进化两个机构。 生物遗传子是用氨基酸的阵列来表现的。这种阵列是一种语言，我们称之 为生体语言。该语言的解释是通过化学反应来进行的。遗传、生长、进化等都 依赖于遗传子。生体语言的结构十分奇巧，给人工模拟带来了一些约束：硬件 语言难以适应这种语言的变化，与人工语言相比，又缺乏表现力。 望型兰垫查叁兰堕! ：兰垡堡苎一 环境对生物的作用是改变其遗传子。进化，并不是象达尔文学派主张的那 样是被动的进化，而是主动的、能动的进化。进化的结构与个体形成的功能密 切相关。例如，我们可以假定在每个生命中，每个个体的生长都是非确定的。 相同的遗传子有可能生成完全不同的个体。当某个新生个体与环境相适宜时， 其性质就可以由后代继承。上述假设的本质就在于，进化并不是总是等待着偶 然地产生变异这种完全被动的过程，而是多少有点能动的过程。而且，环境的 变化对遗传子的影响也是间接的。 人类符号世界 处理机构卜一- 1( 符号语言 l l2 f a ) 自然生物 r 环 一观察卜e 巫丑叫了 境 描 际赢习i 饼鞯苦 述 i 型坚! ! ：! 广_ 、 一 生理结构 符 号k 脑 语 日，巩 1 号( 符号语言处理机构) 卜一 f 神经 女 规则 商 一f 符号 语言、 网络1 i 赢i 进化圈l ! ：竺竺竺f ( b ) 人工生命体 图3 2 遗传信息处理模型 我们在建立遗传信息处理模型时，通常是采用以生体语言为代表的人工符 笙兰主苎主些堡塞婆竺叁王圭鱼垄些堡型塑：望堡堂l 一 号语占。每个个体形成所用的合成规则组，就相当于生物的遗传子，可以用符 号表示之。积累所观察的环境数据，通过提炼，抽取规则，更新在处理过程中 相当于遗传子的合成规则组。通过不断地执行这一过程，可以完成进化过程。 这是一种能较好地适应环境变化的遗传信息处理模型，如图3 2 所示。 该模型围绕着进化和个体形成这两个关键环节，对生物进行模拟。在自然 生物系统中，环境对遗传子的作用是直接的。其生命信息的传递与处理是由生 物的大脑和生物本身的生理机构完成的。生物的进化与个体形成是自然的，对 环境的适应性很好。大脑与人类的信息世界有密切的联系，而人类的信息世界 是由符号语言( 包括语言、文字、图形等各种信息媒体) 来描述处理，并形成 知识，输送给大脑的。 在人工模型中，生物的遗传子、生理机构，脑神经系统，信息世界等全部 模型化。例如用符号合成规则描述遗传子，用人工神经网络模型来描述脑神经 系统，外部环境也被符号化。这罩有二个重要特点：一是环境对合成规则( 相 ! b 于遗传子) 的作用是间接的( 正如我们前面所假设的) ，这是对自然生物的一 种近似；二是对人类信息世界的描述是用人工智能中基于知识的方法，通过从 环境获取信息，加工处理成进化所需要的知识，对遗传子施加作用。由于基于 知识的系统具有一定的智能作用和较好的适应性，所以这种人工系统的进化质 量较高。 3 1 3 基于遗传信息处理的人工生命合成 在人工生命的研究中，合成方法是人工生命的主要方法论，即合成具有我 们所希望的功能、并能适应外部环境的人工生命。在人工生命系统合成的时候， 能够直接操作的只有系统的结构。而系统的功能则依赖于其结构。为了寻找适 应环境的结构，寻找的方法是很重要的。因此，人工生命的合成问题一般来说 是非确定性问题。可以用求解非确定性问题的方法来解决这个问题。通常，人 类信息世界中的一般非确定性问题的标准解决方法如图3 3 ( a ) 所示。在给定的要 求下，通过对初始模型的分析、评价和修正等。实现满足要求的模型结构，这 其中个很重要的环节就是反馈，通过反馈来控制模型的结构，所谓控制，也 就是对形成个体的合成规则的行为实行制约，这是关于规则的规划，即元规则。 在人工生命合成过程中，抓住个体形成与进化这两个关键问题，采用3 3 ( b ) 所示的基于遗传信息处理模型的合成方法，它能实现与图3 3 ( a ) 相同的功能，但 取消了反馈，代之以生物遗传过程中的选择，淘汰方法。即在初始模型的基础 上，同时产生多种个体的模型( 个体形成) ，再对每个模型进行分析与评价，选 择适应于环境的模型并保存下来，而将其它模型淘汰掉( 进化) 。这里，对每个 模型的评价过程是同时进行的，需要采用并行信息处理技术。 里翌兰丝查叁兰苎! ：堂些堡茎一 图3 3 人：【生命的合成方法 淘汰 至于合成规则，则是由产生系统结构各个组成要素的指令集组成。例如“产 q i 细胞”、“产生树状突起”等等。这些指令相互独立，并且通过改变合成规则 的产生顺序，可以生成不同的个体。如果控制的元规则能够适应环境的变化， 则所产生的个体群也会随之变化，使系统结构对环境变化的柔性增强，这也可 视为一种进化。 综上所述，在人工生命系统中，通过简单的合成规则和控制规则的组合， 能够产生自律的个体结构。进一步地，如果把这些规则换成一种描述形式，则 可以用来模拟进化的结构。通过进化结构的研究，逐步建立更一般的人工生命 进化模型则是我们所期待的。通过用遗传算法对人工生命个体的合成规则的控 制，以及用个体的神经网络后天学习来代替控制规则，两者的有机结合体现了 人工生命进化模型中的学习和进化的关系，也实现了能适应外界环境的整体人 工生命行为。 第二章拱十遗传算法的人t 生命进化模型的总体设计 3 2 基于遗传算法的人工生命进化模型的结构框架 3 2 1 模型设计的基本思想 在构造能适应环境的长期变化而自律行动的系统时，系统的学习目标本身 何必要随之变化。系统要学习的目标是十分复杂的环境，这种环境的变化又是 f 妇个体集团等的